解析Office文档

Question

我希望能够阅读办公文档的内容（针对自定义抓取工具）。

需要阅读的办公室版本是从2000年到2007年。我主要想要抓取word，excel和powerpoint文档。

我不想检索格式，只检索其中的文本。

爬虫是基于lucene.NET的，如果它可以提供一些帮助并且在c＃中。

我已经使用iTextSharp解析PDF

Answer 1

如果您已经在使用Lucene.NET，您可能只想利用已有的各种IFilter来实现这一目标。看一下开源SeekAFile项目。它将向您展示如何使用IFilter打开并从IFilter可用的任何文件类型中提取此信息。有用于Word，Excel，Powerpoint，PDf和大多数其他常见文档类型的IFilter。

Answer 2

有一个优秀的开源项目POI，唯一的缺点 - 它是为Java编写的。 .net port在某种程度上非常准确。

Answer 3

Here是将Word文档转换为纯文本的各种工具的良好列表，然后您就可以使用它了。

Answer 4

这是Krishnan LN的nice little post on c-charpcorner，它提供了使用Word主互操作程序集从Word文档中获取文本的基本代码。

基本上，您从Word文档中获取“WholeStory”属性，将其粘贴到剪贴板，然后将其从剪贴板中拉出，同时将其转换为文本格式。剪贴板步骤可能是为了去除格式化。

对于PowerPoint，你做了类似的事情，但你需要遍历幻灯片，然后对每个幻灯片循环遍历形状，并获取每个形状的“TextFrame.TextRange.Text”属性。

对于Excel，由于Excel可以是OleDb数据源，因此最简单的方法是使用ADO.NET。这是一个good post by Laurent Bugnion，它介绍了这种技术。

Answer 5

您也可以考虑查看DtSearch（www.DtSearch.com）。虽然它主要是一种搜索工具，但它可以很好地从大量文件类型中提取文本，并且比其他选项（如Oracle / Stellent OutsideIn技术或Autonomy等效文档）便宜得多。

我多年来一直在使用DtSearch，并认为这类任务不可或缺。